R语言实现从豆瓣抓取数据

最新推荐文章于 2021-06-29 17:43:59 发布

转载最新推荐文章于 2021-06-29 17:43:59 发布 · 5.2k 阅读

文章标签：

R 专栏收录该内容

65 篇文章

订阅专栏

原文链接：http://xccds1977.blogspot.com/2013/06/r.html（需翻墙）

1.方法一：

library("RCurl")

library(XML)

movieScore <- function(x) {
  stopifnot(is.character(x)) #若不为tru，则调用stop
  # 提交搜索豆瓣表单
  search <- getForm("http://movie.douban.com/subject_search", search_text = x) #search_text与x是name-value参数
  searchweb <- htmlParse(search)#当content确定为HTML时，可使用htmlTreeParse
  # 解析搜索结果页面
  resnodes <- getNodeSet(searchweb, "//div[@id='wrapper']//table[1]//a") #getNodeSet查找XML中的nodes
  if (is.null(resnodes)) 
    return(NULL) else resurl <- xmlGetAttr(resnodes[[1]], name = "href")
  # 得到影片页面后第二次解析
  resweb <- getURL(resurl, .encoding = "UTF-8")
  content <- htmlParse(resweb, encoding = "UTF-8")
  resnodes <- getNodeSet(content, "//div[@id='interest_sectl']//p[@class='rating_self clearfix']//strong")
  namenodes <- getNodeSet(content, "//div[@id='content']//h1//span")
  # 得到影片评分
  score <- xmlValue(resnodes[[1]])
  name <- xmlValue(namenodes[[1]])
  return(list(name = name, score = score))
}

movieScore("素媛")

2.方法二：

library(RJSONIO)
library(RCurl)
library(XML)
movieScoreapi <- function(x) {
  api <- "https://api.douban.com/v2/movie/search?q={"
  url <- paste(api, x, "}", sep = "")
  res <- getURL(url)
  reslist <- fromJSON(res)
  name <- reslist$subjects[[1]]$title
  score <- reslist$subjects[[1]]$rating$average
  return(list(name = name, score = score))
}
movieScoreapi("辩护人")

3.网页数据抓取的步骤：

如果你对R不大熟悉，抓取这些表格也有更方便的法子，就是利用Chrome的扩展。有两个扩展值得推荐使用：一个扩展叫作table capture，它会自动找出网页中的若干表格，你只需选择所需的那个将其拷贝到剪贴板即可，然后再用下面的命令就可以读入到R中。
data <- read.table('clipboard',T)

另一个扩展叫作scraper。先选择你所需要的部分内容，然后右键选择scraper similar也能抓取表格，不过它会存到一个google doc中去。在天朝这玩意儿不大方便。

有些数据不是以表格方式出现的，例如用XML或是JSON方式储存的数据。在R中都有对应的包来处理。下面的示例即是用XML包来处理XML数据。在此之先你需要有一点关于XML和XPath的知识，首先处理的对象是这样一个页面：http://www.w3schools.com/xml/plant_catalog.xml

library(XML)
xml.url <- "http://www.w3schools.com/xml/plant_catalog.xml"
# 解析xml页面
xmlfile <- xmlTreeParse(xml.url)
# 观察对象属性
class(xmlfile)
# 获取根结点
xmltop <- xmlRoot(xmlfile)
# 用xmlValue函数获取叶结点处的值
xmlValue(xmltop[[1]][[1]])
xmlValue(xmltop[['PLANT']][['COMMON']])
# xmlSApply类似于sapply函数，取出第一个子结点中的所有叶结点值
xmlSApply(xmltop[[1]],xmlValue)
# 进一步可以取出所有子结点中的叶结点值
plantcat <- xmlSApply(xmltop, function(x) xmlSApply(x, xmlValue))
# 将数据转为数据框
plantcat_df <- data.frame(t(plantcat),row.names=NULL)
plantcat_df[1:5,1:4]

有时候会遇到更为复杂的XML页面，此时的节点内含有参数值。如果要获取这些数据则需要使用getNodeSet()函数配合xmlValue()函数。当遇到更为复杂的数据，那我们只能用readLines读进来，再用字符串函数配合正则表达式来加以处理了。